群体智能的机制与算法研究

In the aspect of theoretical research,explore the optimization and emergence mechanisms in swarm intelligence based on the levy walk, chaos, complex networks and fitness theory. Study the core theory of swarm intelligence in the conditions of different network structures,different communication styles, different neighbor forms and different environments. Construct a new model of swarm intelligence coordination based on levy walk and chaotic search. Study the key scientific problems such as the influences of memory pattern on the action mechanism of swarm intelligence, the effects of multi-layer structure on the swarm intelligence, the relations of intrinsic intelligent emergence from low to advanced groups, and et al.. Based on complex network, synthesize the proposed model with the existed models such as ant colony optimzation, particle swarm and immune system, then construct the general theorectical framework. In the aspect of system realization, establish a swarm intelligence optimization algorithm based on levy walk and chaotic dynamics. Combining the realistic problem, build an unified verification and simulation experimental platform and solve complex optimization problems in real engineering by this platform.

在理论研究方面，基于莱维行走、混沌、复杂网络、适值理论等探讨群体智能中的最优化和涌现机制，研究在不同网络结构、不同通讯方式、不同邻居形式和不同环境情况下群体智能的核心理论，构建基于莱维行走和混沌搜索的群体智能协作模型。解决记忆模式对于群体智能的作用机制、多层网络结构对群体智能的影响和从“低级”到“高级”群体的内在智能涌现关系等关键科学问题。综合本课题将给出的模型和已有的蚁群优化模型、粒子群模型、免疫系统等模型，基于复杂网络建立统一的理论框架。在系统实现方面，建立并实现基于莱维行走和混沌动力学的群体智能优化算法；结合实际问题搭建统一的验证仿真实验平台，并将该平台用于解决实际工程的复杂优化问题。

（1）项目的背景: 群体智能是一种基于混沌和复杂网络的群体协同理论。群体智能去中心的控制机制具有较强鲁棒性，同时群体智能具有适应随时变化的环境的优势，具有更强的灵活性。另外，群体智能系统是基于群体运行的，易于并行实现。因此，群体智能从新的角度揭示群体行为和自组织现象，有效解决大规模并行计算的算法优化和工程优化等方面存在的问题。.（2）主要研究内容: 群体协同行为策略、模型和最优化理论的研究，由于其在工程领域的巨大应用价值和应用潜力已经成为相关学科的研究热点，本项目以研究群体智能新模型的基础理论为目标，解决群体智能研究中若干基础性的关键科学问题，分析莱维和混沌行走对捕食行为作用机制，提出生物群体混沌协作优化搜索新算法，建立一套完整的、统一的群体智能基础理论框架。.（3）重要结果: 1）研究了粒子群算法优化性能的混合策略。由于子种群的动态改变能够促进整个种群的信息交流，差分进化优化算法与动态多种群差分学习算子相结合。实验结果表明本方法具有更好的性能。相关论文发表在“Swarm and Evolutionary Computation”。 .2）提出了一种简化的混合焰火算法。在核心烟花群中引入了交叉火花，增强了算法的局部搜索能力，实验结果表明该算法具有更好的求解质量和效率，相关论文发表在“Knowledge-Based Systems”。.3） 提出了一种带有双差分变异的粒子群优化器。设计了一种双种群和双层的新型优化结构，在这种搜索结构下，粒子群算法提高了全局搜索能力和搜索效率。相关论文发表在“Applied Soft Computing”。.（4）关键数据及科学意义：在本项目资助期内，我们共发表论文36篇，全部被SCI收录。通过本项目共培养10名博士毕业生、12名硕士毕业生，其中博士生陈川、王静涛和鲁艳蓉的博士毕业论文被北京邮电大学评为校级优秀博士毕业论文，并且博士生鲁艳蓉和谢冬在读博期间，获得博士研究生国家奖学金（教育部）。本项目组成员参加了群体智能和复杂网络方面重要的国际学术会议。本项目课题研究将促进群体智能、复杂网络等若干领域的新发展。